1. ANALISIS INICIAL¶
1.Introducción.¶
Los precios de las viviendas en algunas capitales australianas han aumentado recientemente hasta el punto de que algunos describen esto como una burbuja emergente, pero esta afirmación sigue sin ser comprobada oficialmente.
Objetivos¶
El ojetivo del trabajo para las asignatura de Machine Learning I consistirá evaluar las diferetes técnicas de aprendzaje supervisado y no supervidado, para el cálculo del precio de las viviendas en el área de la ciudad de Melburne (Australia).
Lo de conseguir casas baratas en zonas céntricas.
Los datos fueron obtenidos de la página de Kaggle “https://www.kaggle.com/anthonypino/melbourne-housing-market”.
###1.2 Control de cambios
Para la gestion del control de cambios se ha utilizado un repositorio git que puede encontrarse en https://github.com/InmaBorras/Machine-Learning-I”.
gh repo clone InmaBorras/Machine-Learning-I
File "<ipython-input-1-5f030e8679ed>", line 1
gh repo clone InmaBorras/Machine-Learning-I
^
SyntaxError: invalid syntax
2. Análisis Exploratorio Inicial (EDA) y Preparación de los datos¶
Trás definir el objetivo de la práctica procedemos a hacer el analisis exploratorio de los datos , este trabajo ya lo relazamos en la práctica de Fundamentos de Datos, por lo que nos basaremos en el análisis previamente realizado.
Para el proceso de limpieza de datos eliminamos los duplicados y procedimos a la detección e imputacion de datos faltantes de datos faltantes.
import pandas as pd
from pandas_profiling import ProfileReport
data = pd.read_csv('Melbourne_housing_FULL.csv')
profile = ProfileReport(data, title="Pandas Profiling Report")
profile